无人机技术在植物科学与农业中的高通量表型分析方法及教育资源

这篇综述系统介绍了无人机(UAV)技术在植物表型分析中的创新应用，重点阐述了从多光谱、热成像和RGB传感器数据中提取冠层温度、面积、高度、体积和植被指数(如NDVI)的高通量方法。文章详细提供了基于QGIS的开源分析流程，包括影像获取、运动结构(SfM)摄影测量、地理配准、区域统计和人工智能(AI)分类等关键技术，并配套了免费在线教育资源(PlantScienceDroneMethods.github.io)，为突破植物遗传育种和精准农业中的表型瓶颈提供了标准化解决方案。

　　

无人机方法与植物科学的表型革命

引言

全球农业需求预计在2050年前增长50-60%，而传统表型分析方法已成为植物遗传研究的瓶颈。无人机(UAV)技术的快速发展为解决这一挑战提供了新机遇，其空间分辨率可达0.5-20 cm/像素，远超卫星和有人机平台。随着基因组测序成本大幅下降，高通量表型分析(HTP)技术的进步对实现作物改良至关重要。

材料与方法

影像获取与任务规划

多光谱相机如Micasense RedEdge系列配备独立GPS和下行光传感器，建议设置70-85%的图像重叠率。地面控制点(GCP)的合理布设(推荐15个以上)可确保厘米级相对定位精度，而实时动态(RTK)和事后动态(PPK)技术能实现绝对空间1cm精度。主要任务规划软件包括DJI GS Pro和Pix4Dmapper等。

运动结构摄影测量

开源工具OpenDroneMap与商业软件Pix4Dmapper各具优势，前者免费但功能有限，后者提供更高质量的输出。云处理加速分析但受限于网络带宽，本地处理则适合数据敏感场景。通过识别图像间的连接点，该技术可生成正射影像、数字表面模型(DSM)和三维点云等输出。

QGIS地理配准

免费开源的QGIS软件通过"薄板样条"变换算法(需≥10个GCP)能有效校正影像扭曲。将不同日期或传感器获取的栅格数据精确对齐是该流程的关键步骤，为后续分析奠定基础。

地块网格建立

QGIS的"创建网格"功能可快速构建采样单元矢量层，通过设置负缓冲消除边缘效应。高级数字化工具栏提供移动和旋转功能，便于网格与实地精确匹配。多网格合并功能适应复杂田间设计。

植被指数计算

基于栅格计算器的NDVI公式为(NIR-Red)/(NIR+Red)，其值域调整可通过"单波段伪彩色"渲染类型优化。可见光抗大气指数(VARI)等替代指标与NDVI具有强相关性(R²>0.9)。

分类层与土壤掩膜

通过设置阈值(如NDVI>0.5)生成二值分类层，再通过除以分类层的数学运算实现土壤像素剔除。该方法同样适用于热成像数据，可获得纯净冠层温度信息。

高度与体积计算

冠层DSM(cDSM)与土壤DSM(sDSM)的差值分析可精确提取株高信息。体积计算则结合冠层面积与平均高度，为生物量估算提供新维度。

区域统计分析

分类层均值反映冠层覆盖率，与单元尺寸相乘得总面积。冠层温度需按厂家公式(如原始值×0.04-273.15)转换为摄氏度。该步骤可批量输出多种统计量至属性表。

地块影像分割

"按掩膜层裁剪栅格"功能配合迭代处理，可自动输出单个地块影像，为ImageJ等软件的后续分析提供便利。

栅格合并与真彩色合成

多光谱的红、绿、蓝波段合并可模拟RGB影像，同时合并多个输出文件能简化地理配准流程，特别是DSM与植被指数图的联合配准。

Python自动化

QGIS的Python控制台支持流程自动化，通过变量存储文件名实现大规模数据处理。从工具箱获取的代码段可组合成完整工作流。

AI与目标检测

Orfeo工具箱提供机器学习分类功能，而Deepness插件整合了Yolo等预训练模型。文中还提供了基于OpenCV和MobileNetV2的简易目标检测流程。

结果与讨论

应用验证

该方法在多种作物中展现出极高精度，不同相机获取的NDVI数据相关性R²>0.99。冠层高度与温度、多种植被指数间存在显著相关性，已成功应用于豆类抗旱性、杏仁树干水势、玉米病害检测等研究。

教育资源

PlantScienceDroneMethods.github.io网站提供完整协议链，配套示例数据和自动化脚本。YouTube教学频道(@travisparkerplantscience)以视频形式详解各步骤，两者均侧重开源工具，促进全球可及性。

结论

这套标准化方法实现了植物表型数据的高通量、高精度提取，配套教育资源显著降低了技术门槛。通过整合多源传感器数据和AI技术，为作物育种、精准农业和生态研究提供了强有力的工具支持，将有效促进农业可持续发展目标的实现。